学习助手搭建：OpenClaw+GLM-4.7-Flash自动生成复习题

学习助手搭建：OpenClaw+GLM-4.7-Flash自动生成复习题

1. 为什么需要AI学习助手？

去年备考专业认证时，我每天要花2小时手动整理教材知识点到Anki卡片。直到偶然发现OpenClaw能操控本地应用，才意识到：为什么不让AI帮我完成机械劳动？经过两周折腾，终于用GLM-4.7-Flash模型搭建出自动出题流水线。现在只需输入章节标题，5分钟后就能收到格式规整的复习题集。

这个方案最吸引我的三点价值：

• 精准抓取重点：大模型能识别教材中的核心概念，避免人工摘抄时的主观偏差
• 题型智能适配：根据知识类型自动选择选择题/简答题形式（如定义类适合选择题，流程类适合简答）
• 无缝对接Anki：直接生成.apkg格式文件，双击即可导入记忆软件

2. 环境准备与模型部署

2.1 基础组件选型

选择GLM-4.7-Flash而非更大模型的原因很实际：

• 我的RTX 3060笔记本显存只有12GB，该模型经量化后仅需8GB
• 出题任务不需要复杂推理，轻量模型响应更快（实测平均生成速度3.2秒/题）
• ollama的模型管理命令简单，适合快速验证

安装过程遇到两个典型问题：

1. 首次运行ollama pull glm-4.7-flash时因网络超时失败，添加--insecure参数后解决
2. 默认端口11434被占用，修改为11876后需同步调整OpenClaw配置

# 最终生效的启动命令 ollama serve --port 11876 &

2.2 OpenClaw的对接配置

关键配置在~/.openclaw/openclaw.json的模型部分：

"models": { "providers": { "local-glm": { "baseUrl": "http://localhost:11876", "api": "openai-completions", "models": [ { "id": "glm-4.7-flash", "name": "Local GLM Flash", "contextWindow": 32768 } ] } } }

验证连接时发现模型返回格式与OpenAI不完全兼容，通过添加响应转换层解决：

# 在自定义skill中添加的格式转换逻辑 def convert_glm_response(response): return { "choices": [{ "message": { "content": response.get("response", "") } }] }

3. 核心技能开发实录

3.1 知识点提取模块

最初直接用模型生成题目效果不佳，问题出在：

• 原始文本包含太多无关细节
• 模型容易过度发挥补充课外知识

改进后的工作流分三步：

1. 用正则提取章节标题和子章节
2. 请求模型列出该部分核心知识点（限制每个子章节不超过3个）
3. 对每个知识点生成1-2道题目

# 知识点提取prompt示例 你是一位严谨的{学科}教授，请从以下文本中提取最关键的3个知识点： 1. 必须是教材明确提及的内容 2. 按"概念定义->流程步骤->典型示例"的优先级选择 3. 用中文分点列出 教材内容： {text}

3.2 智能出题逻辑

选择题生成最考验prompt设计。经过20次迭代，最终稳定的模板包含：

• 题干约束：必须完整包含被考察知识点
• 选项规则：3个合理干扰项+1个正确项，所有选项长度相近
• 防泄漏机制：禁止出现"以上都是"这类取巧选项

# 选择题生成prompt结构 请根据以下知识点生成1道选择题： - 题干不超过20字 - 选项用A/B/C/D标注 - 正确选项随机分布 - 干扰项需是常见误解 知识点：{concept}

简答题则强调可批改性，要求答案必须包含明确的评分要点。

3.3 Anki卡片打包

OpenClaw本身不支持.apkg格式，我的解决方案是：

1. 用genanki库创建卡片组
2. 通过Python调用anki命令行工具打包
3. 自动打开输出目录方便查看

import genanki model = genanki.Model( 1607392319, 'Simple Model', fields=[{'name': 'Question'}, {'name': 'Answer'}], templates=[{ 'name': 'Card 1', 'qfmt': '{{Question}}', 'afmt': '{{FrontSide}}<hr id="answer">{{Answer}}', }])

4. 实战效果与优化建议

4.1 典型工作流演示

以《机器学习》第三章为例：

1. 将PDF教材章节粘贴到OpenClaw控制台
2. 输入指令："生成10道复习题，难度中等"
3. 等待模型处理（约4分钟）
4. 收到machine_learning_chapter3.apkg文件
5. 双击导入Anki，自动同步到手机端

生成的题目质量超出预期：

• 选择题能准确捕捉易混淆点（如精确率vs召回率）
• 简答题会要求"用公式说明"而非简单复述
• 复杂概念会自动拆分小题（如SVM部分生成2道关联题）

4.2 遇到的典型问题

问题1：模型过度概括

• 现象：将具体方法描述为通用原则
• 解决：在prompt中强制要求"引用原文关键词"

问题2：题型单一化

• 现象：连续生成5道选择题
• 解决：添加题型分布约束（如选择题:简答题=6:4）

问题3：公式渲染错误

• 现象：LaTeX语法被转义
• 解决：在Anki模板中添加MathJax支持

5. 个人使用心得

这套系统已经稳定运行三个月，累计生成超过600张卡片。有几点意外收获：

• 反向优化教材：通过模型的错题统计，发现教材中某些表述确实容易引起误解
• 记忆效率提升：AI生成的干扰项恰好覆盖了我的知识盲区
• 可持续迭代：将易错题重新喂给模型，能生成更具针对性的变体题

如果重新设计，我会优先改进：

1. 增加错题本自动归档功能
2. 支持从扫描版PDF直接提取文字
3. 添加难度分级标记（基础/进阶）

最惊喜的是，原本用来偷懒的工具，反而让我更深入理解了知识脉络。现在回看手动整理的那些卡片，才发现当初漏掉了多少关键联系。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。